相关实验视频
Updated: Jun 11, 2025
04:48
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
Published on: July 5, 2024
376
一个基于细节注入与冗余减少的多阶段渐进式全面削网络
Xincan Wen1,2, Hongbing Ma1,2,3, Liangliang Li4
1School of Computer Science and Technology, Xinjiang University, Urumqi 830046, China.
Sensors (Basel, Switzerland)
|September 28, 2024
概括
这项研究引入了一种新的深度学习方法,用于全化,以高分辨率的泛色彩数据增强低分辨率的多光谱图像. 拟议的多阶段渐进全面利网络与细节注入和冗余减少机制 (MSPPN-DIRRM) 显著改善了融合图像质量.
科学领域:
- 遥感 遥感 遥感 遥感
- 图像处理 图像处理
- 计算机视觉 计算机视觉
背景情况:
- 泛磨通过使用泛色数据来增强多光谱图像.
- 深度学习为提高全面利质量提供了潜力.
研究的目的:
- 提出一种基于深度学习的全方位利方法.
- 在融合图像中增强空间和光谱细节.
主要方法:
- 引入了多阶段的渐进式全面削网络,使用冗余减少机制 (MSPPN-DIRRM) 进行细节注入.
- 采用三层网络进行多层次的光谱和空间特征提取.
- 引入了一种冗余减少机制 (DRRM) 用于图像重建.
主要成果:
- 该MSPPN-DIRRM模型在现有的深度学习方法中表现出优异的性能.
- 在模拟和真实卫星数据 (QuickBird,GaoFen1,WorldView2) 上的实验结果验证了该模型的有效性.
- 在各种评估指标中实现了0.92-18.7%的绩效改进.
结论:
- 拟议的MSPPN-DIRRM方法有效地提高了全面利质量.
- DRRM模块成功地减少了空间和通道冗余,增强了融合.
- 该方法在遥感图像增强方面取得了重大进展.
